Методическая статья

Сетевые индексы электроэнцефалографии как биомаркеры поражения верхних конечностей при хроническом инсульте

DOI:

10.3791/64753

⸱

14 июля 2023 г.

 ,  ,  ,  ,  ,  ,  , 
1Department of Electronics and Information Engineering, Korea University, 2Department of Rehabilitation Medicine, Seoul National University College of Medicine, Seoul National University Bundang Hospital, 3Interdisciplinary Graduate Program for Artificial Intelligence Smart Convergence Technology, Korea University

* These authors contributed equally

В этой статье

Краткое содержание

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Протокол эксперимента демонстрирует парадигму получения и анализа сигналов электроэнцефалографии (ЭЭГ) при движении верхних конечностей у лиц с инсультом. Изменение функциональной сети низкобета-диапазонов частот ЭЭГ наблюдалось при движении нарушенной верхней конечности и ассоциировалось со степенью двигательных нарушений.

Аннотация

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Изменение сигналов электроэнцефалографии (ЭЭГ) во время специфического движения поврежденной конечности было зарегистрировано в качестве потенциального биомаркера тяжести двигательных нарушений и для прогнозирования восстановления моторики у лиц с инсультом. При проведении ЭЭГ-экспериментов требуются подробные парадигмы и хорошо организованные протоколы экспериментов для получения надежных и интерпретируемых результатов. В этом протоколе мы иллюстрируем специфическую парадигму с движением верхних конечностей, а также методы и приемы, необходимые для сбора и анализа данных ЭЭГ. Парадигма состоит из 1 минуты отдыха, за которой следуют 10 попыток, включающих чередующиеся 5 с и 3 с состояния покоя и задачи (разгибание рук) соответственно в течение 4 сеансов. Сигналы ЭЭГ регистрировались с помощью 32 электродов кожи головы Ag/AgCl с частотой дискретизации 1000 Гц. Был проведен анализ спектральных возмущений, связанных с движением конечностей, и анализ функциональной сети на глобальном уровне в диапазоне частот с низким бета (12-20 Гц). Репрезентативные результаты показали изменение функциональной сети низкобета-диапазонов частот ЭЭГ при движении поврежденной верхней конечности, и измененная функциональная сеть была связана со степенью двигательных нарушений у пациентов с хроническим инсультом. Полученные результаты демонстрируют целесообразность экспериментальной парадигмы при измерениях ЭЭГ при движении верхних конечностей у лиц с инсультом. Необходимы дальнейшие исследования с использованием этой парадигмы для определения потенциальной ценности сигналов ЭЭГ в качестве биомаркеров двигательных нарушений и восстановления.

Введение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Двигательные нарушения верхних конечностей являются одним из наиболее распространенных последствий инсульта и связаны с ограничениями в повседневной деятельности 1,2. Известно, что альфа (8-13 Гц) и бета (13-30 Гц) полосные ритмы тесно связаны с движениями. В частности, исследования показали, что измененная нейронная активность в альфа- и нижнем бета-диапазонах (12-20 Гц) частот при движении нарушенной конечности коррелирует со степенью двигательных нарушений у лиц с инсультом 3,4,5. Основываясь на этих результатах, электроэнцефалография (ЭЭГ) стала потенциальным биомаркером, отражающим как тяжесть двигательных нарушений, так и возможность моторного восстановления 6,7. Тем не менее, ранее разработанные биомаркеры на основе ЭЭГ оказались недостаточными для изучения характеристик двигательных нарушений у людей с инсультом, в основном из-за того, что они полагались на данные ЭЭГ в состоянии покоя, а не на данные ЭЭГ, вызванные задачей 8,9,10. Сложная обработка информации, связанная с двигательными нарушениями, такими как взаимодействие между ипсилезионным и контралесионным полушариями, может быть выявлена только с помощью данных ЭЭГ, индуцированной задачей, а не ЭЭГ в состоянии покоя. Таким образом, необходимы дальнейшие исследования не только для изучения взаимосвязи между активностью нейронов и характеристиками двигательных нарушений, но и для выяснения полезности ЭЭГ, генерируемой во время движения поврежденной части тела, в качестве потенциального биомаркера двигательных нарушений у лиц с инсультом11.

Внедрение ЭЭГ для оценки поведенческих эффектов требует парадигм и протоколов для конкретных задач. На сегодняшний день были предложены различные протоколы ЭЭГ12, в которых люди с инсультом выполняли воображаемые или реальные движения, чтобы вызвать связанную с движением активность мозга11,13. В случае воображаемых движений около 53,7% участников не могли определенно представить себе соответствующее движение (так называемое «безграмотность») и, таким образом, не смогливызвать связанную с движением активность мозга. Более того, лицам с тяжелым инсультом трудно двигать всей верхней конечностью, и существует вероятность возникновения ненужных артефактов при сборе данных из-за нестабильных движений. Таким образом, для получения высококачественных данных ЭЭГ и нейрофизиологически интерпретируемых результатов требуется руководство, основанное на экспертных ноу-хау. В этом исследовании мы всесторонне разработали экспериментальную парадигму для людей с инсультом для выполнения относительно простой задачи по движению рук и предоставили экспериментальную процедуру с подробным руководством.

Излагая визуализированный протокол эксперимента в этой статье, мы стремились проиллюстрировать конкретные концепции и методы, используемые для регистрации и анализа нейронной активности, связанной с движением верхней конечности, с помощью системы ЭЭГ. Демонстрируя разницу в активности нейронов с помощью ЭЭГ между паретичными и непаретическими верхними конечностями у участников с гемиплегическим инсультом, это исследование было направлено на то, чтобы представить возможность проведения ЭЭГ с использованием описанного протокола в качестве потенциального биомаркера тяжести двигательных нарушений у лиц с инсультом в поперечном контексте.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Все экспериментальные процедуры были рассмотрены и одобрены Институциональным наблюдательным советом больницы Бундан Сеульского национального университета. Для экспериментов в этом исследовании было набрано 34 участника с инсультом. От всех участников было получено подписанное информированное согласие. Подписанное информированное согласие было получено от законного представителя, если участник соответствовал критериям, но не мог подписать форму согласия из-за инвалидности.

1. Экспериментальная установка

  1. Набор пациентов
    1. Выполните процесс отбора, используя следующие критерии включения:
      В возрасте от 18 до 85 лет с наличием нарушений функций верхних конечностей;
      Первый в истории ишемический или геморрагический инсульт, подтвержденный компьютерной томографией головного мозга или магнитно-резонансной томографией;
      Способность участника следовать инструкциям по клинической оценке и исследованию ЭЭГ;
      Отсутствие в анамнезе каких-либо других психических или неврологических заболеваний, кроме инсульта.
    2. Исключайте пациентов на основании следующего:
      Предшествующее заболевание центральной нервной системы (например, черепно-мозговая травма, опухоль головного мозга, болезнь Паркинсона);
      Невозможность носить шапочку ЭЭГ; и
      Невозможность следовать инструкциям по клинической оценке и исследованию ЭЭГ.
      ПРИМЕЧАНИЕ: Критерии включения и исключения были выбраны для отбора участников, способных участвовать в эксперименте, и регулирования демографических факторов, которые могли бы повлиять на результаты.
    3. Предоставить всем набранным участникам информацию о деталях экспериментальной процедуры.
  2. Экспериментальная система: ЭЭГ
    1. Для записи данных используйте ЭЭГ-систему, состоящую из 32 электродов Ag/AgCl для кожи головы, текстильной шапочки для ЭЭГ и программного обеспечения для записи ЭЭГ.
    2. Используйте персональный компьютер (ПК) с установленным программным обеспечением для записи ЭЭГ и подключите ПК к ЭЭГ-аппарату через Bluetooth.
    3. Используйте другой компьютер с программным обеспечением для численного анализа и программирования для проектирования (см. Таблицу материалов).
    4. Для предъявления стимулов подключите ПК к специальному триггерному блоку (рис. 1).
      ПРИМЕЧАНИЕ: Подробные технические характеристики двух ПК приведены в таблице материалов.
  3. Экспериментальная парадигма, основанная на программном обеспечении
    ПРИМЕЧАНИЕ: Участники выполняли задание на разгибание рук, используя пораженные и непораженные руки, во время которых измерялись данные ЭЭГ. На рисунке 2 показана экспериментальная парадигма данного исследования.
    1. Предъявите два визуальных стимула, CLOSE и OPEN, в течение 30 секунд каждый, в центре монитора для измерения исходных данных ЭЭГ в состоянии покоя , во время которых испытуемый закрывает и открывает глаза.
      Примечание: Поскольку данные ЭЭГ в состоянии покоя относительно менее загрязнены нежелательными физиологическими артефактами, они полезны для проверки качества данных ЭЭГ и идентификации индивидуальных характеристик ЭЭГ по отношению к состоянию покоя.
    2. Покажите изображение движения руки в течение 3 с, чтобы проинструктировать участника сделать движение разгибания руки, а затем отметку фиксации в течение 5 с для отдыха.
      ПРИМЕЧАНИЕ: Эта процедура рассматривалась как пробная и повторялась 10 раз за один сеанс. Каждый участник прошел по 4 сеанса для каждой руки. После каждой тренировки у участника был перерыв, когда он хотел, чтобы предотвратить чрезмерную усталость.

figure-protocol-1
Рисунок 1: Схема установки оборудования. ПК (ПК1), представляющий экспериментальные стимулы, был подключен к триггерной коробке, а другой ПК (ПК2) был подключен к усилителю ЭЭГ. События стимуляции, генерируемые в ПК1, доставлялись на усилитель ЭЭГ через триггерную коробку, подключенную к ПК1. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-protocol-2
Рисунок 2: Экспериментальная парадигма, использованная в данном исследовании. Одно испытание состояло из разгибательного движения руки в течение 3 с с последующим расслаблением в течение 5 с. Этот паттерн повторялся 10 раз за один сеанс. Всего было проведено восемь сеансов; Четыре сеанса включали в себя затронутые движения рук, в то время как остальные четыре включали в себя незатронутые движения рук. Этот рисунок был адаптирован из Shim et al.17 с разрешения Mary Ann Liebert, Inc. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

2. Запись данных ЭЭГ, связанных с движением

  1. Настройка ЭЭГ
    1. Усадите участника в удобное кресло перед монитором.
      ПРИМЕЧАНИЕ: Расстояние между участником и монитором должно быть не менее 60 см, чтобы предотвратить усталость глаз. Тем не менее, следует избегать чрезмерной дистанции (например, >150 см), так как она может отвлечь внимание участника.
    2. Для точного ношения шапочки для измерения ЭЭГ определите местоположение Cz по международной системе 10-20 по пересечению продольной линии, соединяющей нос и инион, и поперечной линии, соединяющей верхнюю часть обоих ушных раковин.
      ПРИМЕЧАНИЕ: Шапочка для ЭЭГ может не потребоваться в зависимости от оборудования для измерения ЭЭГ. В этом случае электроды ЭЭГ прикрепляются непосредственно к коже головы по международной системе 10-2015.
    3. Для точного измерения ЭЭГ используйте шапочку для ЭЭГ соответствующего размера в соответствии с размером головы участника и разместите ее так, чтобы положение электрода Cz находилось на индивидуальном месте Cz.
    4. Зафиксируйте подбородочный ремень с соответствующей затяжкой; Это предотвратит дискомфорт участника во время глотания и моргания в эксперименте. После этого убедитесь, что положения электродов Т9 и Т10 шапочки ЭЭГ находятся в височной области над обеими ушными раковинами, а положение электрода Fpz шапочки ЭЭГ расположено посередине лба.
      ПРИМЕЧАНИЕ: Если эти электроды находятся вне указанного места, подумайте о замене колпачка. В нашем исследовании использовались три размера шапочки для ЭЭГ (54 см: маленькая, 56 см: средняя, 58 см: большая).
    5. После правильного надевания шапочки для ЭЭГ прикрепите 32 электрода для кожи головы Ag/AgCl по расширенной международной системе 10-10, при этом основной и референсный электроды находятся на Fpz и FCz соответственно16.
      ПРИМЕЧАНИЕ: Расположение электрода сравнения (FCz) относительно меньше зависит от различных физиологических артефактов, таких как электроокулография, электромиография и электрокардиография, потому что он расположен вокруг центральной области (Cz) кожи головы.
    6. Отрегулируйте уровень импеданса между электродами ЭЭГ и кожей головы с помощью проводящего геля и зафиксируйте волосы гелем, чтобы предотвратить препятствие между электродами ЭЭГ и кожей головы.
      ПРИМЕЧАНИЕ: Важно подтвердить, не образуется ли какой-либо мост между соседними электродами ЭЭГ из-за утечки геля.
    7. Используйте программное обеспечение для регистрации ЭЭГ.
    8. Включите ЭЭГ-систему и выполните Настройка > Выбор усилителя. Выберите Liveamp > > усилитель > подключитесь. Найдите функцию Liveamp для беспроводного соединения (рис. 3).
    9. Выполните функцию проверки импеданса, чтобы контролировать уровень импеданса для каждого электрода.
      ПРИМЕЧАНИЕ: Рекомендуется проводить эксперимент с уровнем импеданса <20 кОм (рис. 4).
    10. Выполните функцию мониторинга , чтобы убедиться, что ЭЭГ всех электродов имеют одинаковые уровни амплитуды с помощью мониторинга сигнала ЭЭГ в режиме реального времени (рис. 5).
      ПРИМЕЧАНИЕ: Амплитуда сигнала ЭЭГ обычно составляет от 10 мкВ до 100 мкВ, а мощность альфа-канала (8-12 Гц) увеличивается вокруг затылочной области, когда глаза закрыты. Поэтому качество данных ЭЭГ можно качественно подтвердить, контролируя уровень амплитуды и альфа-колебания на каналах вокруг затылочной области при закрытых глазах.
  2. Настройка парадигмы
    1. Для получения стабильных данных ЭЭГ используйте два отдельных ПК для представления внешних стимулов и записи данных ЭЭГ (см. рис. 1).
    2. Чтобы представить экспериментальные стимулы участникам, создайте программу стимуляции, основанную на экспериментальной парадигме, используя программное обеспечение для программирования (представлено в шаге 1.3).
      ПРИМЕЧАНИЕ: В этом исследовании была создана программная программа стимуляции, но другое программное обеспечение может быть использовано в зависимости от их совместимости с оборудованием ЭЭГ, используемым в эксперименте, а также удобства пользователя. Программный сценарий стимулирования представлен в Дополнительном файле 1 (Experimental_stimulus.m). Информация о событии, указывающая на точку начала стимулов, генерируется собственным программным обеспечением, передается на усилитель ЭЭГ через триггерную коробку и, в конечном итоге, в программное обеспечение для записи ЭЭГ (рис. 1).
    3. Запустите программу, представляющую экспериментальные стимулы в режиме мониторинга (см. подпункт 2.1.10). Затем убедитесь, что информация о событии своевременно отмечена в нижней части программного обеспечения для записи ЭЭГ каждый раз, когда предъявляется стимул, как показано на рисунке 6.
      ПРИМЕЧАНИЕ: Информация о временном моменте записывается всякий раз, когда предъявляется новый стимул, и впоследствии используется для сегментации данных. Поэтому важно максимально получить точные временные точки экспериментальных событий, чтобы не допустить неточной сегментации данных, которая привела бы к недостоверным результатам при анализе.
    4. Запустите программное обеспечение для регистрации ЭЭГ, затем самостоятельно запустите программу предъявления стимулов, разработанную на основе экспериментальной парадигмы, используя программное обеспечение для предотвращения упущения данных.
      ПРИМЕЧАНИЕ: Для удобства анализа данных рекомендуется создавать имена файлов с согласованным правилом хранения данных (например, Sub1_Session1).
  3. Запись ЭЭГ
    1. Измерьте ЭЭГ с частотой дискретизации 1000 Гц в соответствии с экспериментальной парадигмой, представленной в шаге 1.3.
      ПРИМЕЧАНИЕ: Частота дискретизации может быть изменена в зависимости от диапазона частот ЭЭГ, который исследователь хочет исследовать. Как правило, рекомендуется использовать частоту дискретизации >200 Гц, где информация о ЭЭГ может быть исследована на частоте ≤100 Гц на основе теоремы Найквиста. Это связано с тем, что большая часть информации ЭЭГ существует при частоте ниже 100 Гц.
    2. Поддерживайте одинаковые условия эксперимента (например, экспериментальное место, оборудование, комнатную температуру и т. д.) как можно дольше между участниками и проинструктируйте их свести к минимуму ненужные движения во время измерения ЭЭГ.

figure-protocol-3
Рисунок 3: Беспроводное соединение между усилителем ЭЭГ и ПК с программным обеспечением для записи ЭЭГ. Выполните действия по порядку: (A) выберите усилитель, (B) подключите усилитель, (C) найдите подключенный усилитель для беспроводного подключения, (D) подключение завершено. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-protocol-4
Рисунок 4: Процедура проверки импеданса для каждого канала. Все каналы должны быть настроены на зеленый цвет для стабильного измерения ЭЭГ. Рекомендуется проводить эксперимент с импедансом менее 20 кОм. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-protocol-5
Рисунок 5: Процедура мониторинга данных в режиме реального времени для каждого канала. Сигналы со всех измеряемых каналов можно отслеживать в режиме реального времени и увеличивать/уменьшать масштаб с помощью опции (красное поле) на верхней панели. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

figure-protocol-6
Рисунок 6: Снимок экрана для мониторинга информации о событиях. Красными полосами обозначены создатели событий, которые представляются каждый раз, когда стимул предоставляется ПК1. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

3. Анализ данных ЭЭГ

ПРИМЕЧАНИЕ: Данное исследование дает точные рекомендации по воспроизведению концепции исследования. Таким образом, в нем дается краткое описание процесса анализа и репрезентативные результаты. Подробные сведения о процессах и связанных с ними результатах можно найти в предыдущем исследовании17. Это свидетельствует о том, что компания Mary Ann Liebert, Inc. предоставила разрешение на использование материалов, защищенных авторским правом.

  1. Предварительная обработка
    1. Удаление артефактов, связанных с глазами, из исходных данных ЭЭГ с помощью математических процедур, основанных на анализе главных компонент, реализованных в программном обеспечении предварительной обработки данных ЭЭГ18,19 (см. таблицу материалов).
      ПРИМЕЧАНИЕ: Если какая-либо эпоха показывала заметные артефакты (± 100 мкВ), даже после предварительной обработки на любом из электродов, она исключалась из дальнейшего анализа. Среднее число отвергнутых эпох, включая их стандартное отклонение, составило 3,69 ± 7,15 для задания на движение рук и 1,62 ± 3,95 для задания на движение рук без изменений.
    2. Примените полосовой фильтр в диапазоне от 0,1 Гц до 55 Гц. Сегментируйте предварительно обработанные данные ЭЭГ от -1 с до 3,5 с для каждого испытания в зависимости от начала задачи, чтобы содержать базовый период, используемый для анализа спектральных возмущений, связанных с событиями (ERSP) и функционального сетевого анализа.
  2. Анализ ERSP
    ПРИМЕЧАНИЕ: Измеренные данные ЭЭГ были проверены с помощью ERSP-анализа для низкобета-диапазона частот (12-20 Гц), связанного с произвольными движениями.
    1. Провести кратковременное преобразование Фурье для каждого испытания для вычисления спектральных мощностей ЭЭГ, для чего использовалась функция newtimef инструментария EEGLAB в программном обеспечении 20 (неперекрывающееся окно Хэннинга, размер окна250 мс).
    2. Нормализуйте спектр мощности в каждом испытании, вычитая среднюю мощность базового периода (от -1 до 0 с), чтобы исследовать изменения спектральных мощностей между задачей движения руки и базовым периодом.
    3. Оценка базовых нормализованных карт ERSP для каждого пациента путем усреднения нормализованных спектров мощности по испытаниям.
  3. Функциональный сетевой анализ
    ПРИМЕЧАНИЕ: Функциональный сетевой анализ был проведен для изучения изменений ЭЭГ с точки зрения мозговой сети. Для вычисления взвешенных индексов сети всего мозга на основе теории графов сначала вычислялась связь мозга между различными областями, используя значение фазовой синхронизации (PLV). Затем была вычислена функциональная матрица связности с использованием результатов анализа связности на основе PLV, которая впоследствии была использована для вычисления индексов сети всего мозга17. Все функциональные сетевые анализы выполнялись с помощью программного обеспечения.
    1. Вычислите значение фазовой автоподстройки (PLV) на основе преобразования Гильберта для полосы частот с низким бета-коэффициентом (12-20 Гц) с использованием собственной функции21,22. Собственная функция для вычисления PLV на основе преобразования Гильберта приведена в Дополнительном файле 2 (myPLV.m).
    2. Оцените PLV между всеми возможными парами 32 электродов ЭЭГ в каждый момент времени в течение периода задания (0-3,5 с) и создайте симметричную матрицу смежности (32 x 32, количество электродов = 32) путем усреднения PLV за период задания. Используйте матрицу PLV в качестве входных данных для сетевого анализа17,23.
    3. Оцените четыре взвешенных индекса глобальной сети на основе теории графов с помощью инструментария Brain Connectivity Toolbox (https://sites.google.com/site/bctnet): (1) сила, (2) коэффициент кластеризации, (3) длина пути и (4) малость мира 17,24,25.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

На рисунке 7 представлены топографические карты ERD с низким бета-коэффициентом для каждой задачи движения руки. В контралесионном полушарии наблюдался значительно сильный ЭРД с низким бета-коэффициентом по сравнению с ипсилезионным полушарием как для пораженных, так и для незатронутых задач движения рук.

figure-results-1
Рисунок 7

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

В этом исследовании был представлен эксперимент ЭЭГ для измерения активности нейронов, связанной с движением верхних конечностей, у людей с инсультом. Экспериментальная парадигма и методы регистрации и анализа ЭЭГ были применены для определения паттернов ЭРД в ипсилезиональной и контралесионной моторной коре.

Результаты карт ERSP (рис. 7) продемонстрировали разницу в степени активации нейронов при движении поврежденных и непораженных рук. Результаты согласуются с...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

MS, NJP, WSK и HJH имеют патент под названием «Способ предоставления информации, связанной с двигательными нарушениями, и устройства, используемые для этого», номер 10-2022-0007841.

Благодарности

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Эта работа была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT) (No. NRF-2022R1A2C1006046), в рамках Программы оригинальных технологических исследований в области науки о мозге через Национальный исследовательский фонд Кореи (NRF), финансируемой Министерством образования, науки и технологий (2019M3C7A1031995), грантом Национального исследовательского фонда Кореи (NRF), финансируемой правительством Кореи (MSIT) (No. NRF-2022R1A6A3A13053491) и MSIT (Министерство науки и ИКТ), Корея, в рамках программы поддержки ITRC (Исследовательский центр информационных технологий) (IITP-2023-RS-2023-00258971), курируемой IITP (Институт планирования и оценки информационных и коммуникационных технологий).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
actiCAPEasycap, GmbH Ltd., Хершинг, ГерманияCAC-32-SAMW-56Текстильная платформа для ЭЭГ для размещения электродов
Brain Vision Recorder (Software)Brain Products GmBH Ltd., Мюнхен, Германия-Программное обеспечение,используемое для записи сигнала ЭЭГ
Curry 7 (Software)Compumedics, Австралия-Программноеобеспечение, используемое для предварительной обработки данных ЭЭГ
MATLAB R2019a (Программное обеспечение))MathWorks Inc., Натик, МассачусетсСША-Программноеобеспечение использовалось для запуска экспериментального стимула и анализа данных ЭЭГ
Запись ПК LenovoGroup Limited, Гонконг,Китай Модель: X58K
Intel Core i7-7700HQ CPU@2,80 ГГц, ОЗУ 8 ГБ<бр/> /ЭЭГ запись данных с использованием Brain Vision Recorder
Sensor & Триггерное расширение (STE)Brain Products GmBH Ltd., Мюнхен, ГерманияSTE-055604-0162Добавляет физиоигкальные сигналы в усилитель ЭЭГ
Блок сплиттераBrain Products GmBH Ltd., Мюнхен, ГерманияBP-135-1600Подключает электроды Ag/AgCl к усилителю ЭЭГ
Стимуляция PCHansung Corporation, Сеул,Корея Модель: ThinkPad P71< > Intel Core i7-8750H CPU@2,20 ГГц, оперативная память 8 ГБ< > Представление экрана стимуляции с помощью MATLAB
TriggerBoxBrain Products GmBH Ltd., Мюнхен, ГерманияBP-245-1010Получает триггерный сигнал от ПК и ретранслирует его в систему регистрации ЭЭГ
,

Ссылки

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Faria-Fortini, I., Michaelsen, S. M., Cassiano, J. G., Teixeira-Salmela, L. F. Upper extremity function in stroke subjects: Relationships between the international classification of functioning, disability, and health domains. Journal of Hand Therapy. 24 (3), 257-265 (2011).
  2. Veerbeek, J. M., Kwakkel, G., van Wegen, E. E., Ket, J. C., Heymans, M. W. Early prediction of outcome of activities of daily living after stroke: a systematic review. Stroke. 42 (5), 1482-1488 (2011).
  3. Babiloni, C., et al. Human movement-related potentials vs desynchronization of EEG alpha rhythm: a high-resolution EEG study. Neuroimage. 10 (6), 658-665 (1999).
  4. Giaquinto, S., Cobianchi, A., Macera, F., Nolfe, G. EEG recordings in the course of recovery from stroke. Stroke. 25 (11), 2204-2209 (1994).
  5. Bartur, G., Pratt, H., Soroker, N. Changes in mu and beta amplitude of the EEG during upper limb movement correlate with motor impairment and structural damage in subacute stroke. Clinical Neurophysiology. 130 (9), 1644-1651 (2019).
  6. Boyd, L. A., et al. Biomarkers of stroke recovery: Consensus-based core recommendations from the Stroke Recovery and Rehabilitation Roundtable. International Journal of Stroke. 12 (5), 480-493 (2017).
  7. Thibaut, A., et al. Using brain oscillations and corticospinal excitability to understand and predict post-stroke motor function. Frontiers in Neurology. 8, 187(2017).
  8. Caliandro, P., et al. Small-world characteristics of cortical connectivity changes in acute stroke. Neurorehabilitation and Neural Repair. 31 (1), 81-94 (2017).
  9. Saes, M., et al. Is Resting-state EEG longitudinally associated with recovery of clinical neurological impairments early poststroke? A prospective cohort study. Neurorehabilitation and Neural Repair. 34 (5), 389-402 (2020).
  10. Vecchio, F., et al. Cortical connectivity from EEG data in acute stroke: A study via graph theory as a potential biomarker for functional recovery. International Journal of Psychophysiology. 146, 133-138 (2019).
  11. Ang, K. K., et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke. Clinical EEG and Neuroscience. 46 (4), 310-320 (2015).
  12. Abiri, R., Borhani, S., Sellers, E. W., Jiang, Y., Zhao, X. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering. 16 (1), 011001(2019).
  13. Antelis, J. M., Montesano, L., Ramos-Murguialday, A., Birbaumer, N., Minguez, J. Decoding upper limb movement attempt from EEG measurements of the contralesional motor cortex in chronic stroke patients. IEEE Transactions on Biomedical Engineering. 64 (1), 99-111 (2017).
  14. Lee, M. H., et al. EEG dataset and OpenBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy. Gigascience. 8 (5), giz002(2019).
  15. Jasper, H. H. Report of the committee on methods of clinical examination in electroencephalography: 1957. Electroencephalography and Clinical Neurophysiology. 10, 370-375 (1958).
  16. Chatrian, G. E., Lettich, E., Nelson, P. L. Ten percent electrode system for topographic studies of spontaneous and evoked EEG activities. American Journal of EEG technology. 25 (2), 83-92 (1985).
  17. Shim, M., et al. Altered functional networks of alpha and low-beta bands during upper limb movement and association with motor impairment in chronic stroke. Brain Connectivity. , (2021).
  18. Semlitsch, H. V., Anderer, P., Schuster, P., Presslich, O. A solution for reliable and valid reduction of ocular artifacts, applied to the P300 ERP. Psychophysiology. 23 (6), 695-703 (1986).
  19. Kim, Y. W., et al. Riemannian classifier enhances the accuracy of machine-learning-based diagnosis of PTSD using resting EEG. Progress in Neuropsychopharmacology & Biological Psychiatry. 102, 109960(2020).
  20. Griffin, D., Lim, J. Signal estimation from modified short-time Fourier transform. IEEE Transactions on Acoustics, Speech, and Signal Processing. 32 (2), 236-243 (1984).
  21. Lachaux, J. P., Rodriguez, E., Martinerie, J., Varela, F. J. Measuring phase synchrony in brain signals. Human Brain Mapping. 8 (4), 194-208 (1999).
  22. Shim, M., Kim, D. W., Lee, S. H., Im, C. H. Disruptions in small-world cortical functional connectivity network during an auditory oddball paradigm task in patients with schizophrenia. Schizophrenia Research. 156 (2-3), 197-203 (2014).
  23. Shim, M., Hwang, H. J., Lee, S. H. Impaired functional cortical networks in the theta frequency band of patients with post-traumatic stress disorder during auditory-cognitive processing. Frontiers in Psychiatry. 13, 811766(2022).
  24. Bassett, D. S., Bullmore, E. Small-world brain networks. Neuroscientist. 12 (6), 512-523 (2006).
  25. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  26. Shiner, C. T., Tang, H., Johnson, B. W., McNulty, P. A. Cortical beta oscillations and motor thresholds differ across the spectrum of post-stroke motor impairment, a preliminary MEG and TMS study. Brain Research. 1629, 26-37 (2015).
  27. López-Larraz, E., Sarasola-Sanz, A., Irastorza-Landa, N., Birbaumer, N., Ramos-Murguialday, A. Brain-machine interfaces for rehabilitation in stroke: A review. NeuroRehabilitation. 43 (1), 77-97 (2018).
  28. Fong, K. N., Chan, C. C., Au, D. K. Relationship of motor and cognitive abilities to functional performance in stroke rehabilitation. Brain Injury. 15 (5), 443-453 (2001).
  29. Vecchio, F., et al. Acute cerebellar stroke and middle cerebral artery stroke exert distinctive modifications on functional cortical connectivity: A comparative study via EEG graph theory. Clinical Neurophysiology. 130 (6), 997-1007 (2019).
  30. Hwang, H. J., Kwon, K., Im, C. H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). Journal of Neuroscience Methods. 179 (1), 150-156 (2009).
  31. Park, S. A., et al. Evaluation of feature extraction methods for EEG-based brain-computer interfaces in terms of robustness to slight changes in electrode locations. Medical & Biological Engineering & Computing. 51 (5), 571-579 (2013).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи